如果適應莫蘭指數測量某個因變數，發現具有顯著的空間自相關效應，那麼這樣的特徵除了可以分析因變數的空間分布特徵外，如果要進一步分析該因變數同環境因子之間的關係，就需要對這樣的空間自相關效應加以考慮。
這時候，如果要使用某個或某幾個環境變數對此因變數進行回歸分析，以檢測環境因子與因變數的關係時，如果使用傳統的ols回歸，就會導致存在空間自相關而增加犯第一類錯誤的風險，也就是拒絕原假設，得到的p值更小。因此需要考慮空間自相關，如果去除了空間自相關效應，有可能結果變得不顯著了，p值增加，之前有相關性的兩個變數，就變得不相關了。。。
那麼，這樣的因變數這樣的空間分布特徵產生的原由，有兩種，乙個是因變數自身，乙個是環境因子導致。當因變數自身的特徵導致的空間結構時，就叫做空間自相關；如果該因變數的空間結構時環境因子導致的，則稱為誘導性空間依賴。
因此，當我們發現莫蘭指數顯著大於期望時，**環境因子和因變數的關係就需要考慮這樣的空間結構特徵了。一般的，如果是由空間自相關產生的空間結構時，而且我們能夠找到這樣的空間結構（比如隨著距離增加減小），那麼使用該空間結構（比如距離）同因變數進行回歸分析，殘差理論上就會無空間自相關效應了（莫蘭指數為接近期望，p值較大）。這時後的殘差就是去除了空間自相關效應的，可以用此值同其他的環境因子進行回歸分析，從而得到可靠的結果。
如果是由環境因子的結構特徵導致的因變數空間結構特徵時，也就是說某個環境因子的高低值導致了因變數的高低變化。那麼對該變數進行回歸分析，理論上得到的殘差就會無空間自相關效應。
注意：真實的情況是，我們無法知道乙個因變數的空間自相關效應是來自於其本身，還是來自於環境因子，或者二者都有一部分影響。但說過來，來自本身時可以用距離結構來消除，來自外部因子時可以使用外部因子來消除，如果把距離和外部因子視為外因子的話，就不存在空間自相關來自**的問題，只有如何有效減小的問題。
乙個因變數的空間結構特徵，在不同距離上有著不同的空間自相關值，那麼找的合適的距離和空間結構，就可以有效去除空間自相關效應（還不太清楚如何處理）
介紹目前的常規做法：
首先，將你打算探索的資料整理好，我用arcgis處理，將因變數和環境因子放在乙個圖層的屬性表裡，該圖層最好是polygon形式，而且需要注意，如果你要計算的queen形距離矩陣，就不要有破碎面，也就是沒有鄰近單元的單個斑塊，這樣的斑塊鄰近值為0。
其次，生成距離矩陣，在r裡面處理，將圖層匯入r，並生成距離矩陣，距離矩陣有多種，有些對破碎斑塊容忍度較好。
再次，使用ols擬合因變數和環境變數。
第四，使用lm.lmtest函式檢測模型引數，選擇合適的模型
第五，然後使用對應的函式處理因變數和環境因子，得到回歸結果，解釋回歸結果。
一般使用的較多的有兩種模型，空間滯後模型和空間誤差模型，前者可以使用impacts函式統計環境因子和因變數之間的關係。後者不清楚如何處理。
geoda空間自相關分析 空間自相關與空間集聚特徵
空間自相關是研究空間中某位置的觀察值與其相鄰位置的觀察值是否相關以及相關程度的一種空間資料分析方法，即空間自相關是檢驗某一要素的屬性值是否顯著地與其相鄰空間點上的屬性值相關聯的重要指標，可以分為正相關和負相關，正相關表明某單元的屬性值變化與其鄰近空間單元具有相同變化趨勢，負相關則相反。在地學鄰域，地...
PN序列自相關特性分析
pn序列就是偽隨機序列 pseudo noise code 所謂的偽就是說這個序列隨機性很強，統計特性很好但並不是真正的隨機數，體現pn序列具有週期性。pn序列是由通過線性反饋移位暫存器實現的，移位暫存器的級數決定了其週期性的長短。matlab 參考 clear all close all clc ...
自相關互相關卷積的 自相關與互相關
自相關 autocorrelation 也叫序列相關，是乙個訊號與其自身在不同時間點的互相關。非正式地來說，自相關是對同一訊號在不同時間的兩次觀察，通過對比來評判兩者的相似程度。自相關函式就是訊號x t 和它的時移訊號x t 的乘積平均值。它是時移變數 的函式。這是從書上抄來的話，到底是什麼意思呢？...